Машинное обучение и статистическое моделирование в CRM (все в одном❗)(EN)

seg_map = {
    r'[1-2][1-2]': 'hibernating',
    r'[1-2][3-4]': 'at_Risk',
    r'[1-2]5': 'cant_loose',
    r'3[1-2]': 'about_to_sleep',
    r'33': 'need_attention',
    r'[3-4][4-5]': 'loyal_customers',
    r'41': 'promising',
    r'51': 'new_customers',
    r'[4-5][2-3]': 'potential_loyalists',
    r'5[4-5]': 'champions'
}

как правило, у этих средних блогов есть коды примеров, я их не привожу, потому что примеры уже есть и их нельзя изменить. У каждого среднего блога есть набор данных Retail II. Что я хочу сделать, так это тщательно изучить теорию применения предмета в реальном мире.

Наконец, после создания сегментов нам нужно предпринять определенные действия, например, в соответствии с нашим сектором; За исключением действий для конкретных клиентов, таких как кампании для конкретных клиентов и скидки для новых клиентов, определенный анализ в секторе может быть выполнен на основе конкретных сегментов, самые большие примеры из которых; Когортный анализ, анализ оттока и расчет и оценка ценности жизненного цикла клиента могут быть предоставлены. Говоря о сегментах клиентов, давайте перейдем к другому анализу, где мы можем сегментироватьи прогнозировать.

2. Пожизненная ценность клиента (CLTV) и прогнозируемые значения

В маркетинге пожизненная ценность клиента (CLV или часто CLTV), пожизненная ценность клиента (LCV) или пожизненная ценность (LTV) – это прогноз чистой прибыли. ко всем будущим отношениям с клиентом. Модель прогнозирования может иметь разный уровень сложности и точности: от грубой эвристики до использования сложных методов прогнозной аналитики.
Пожизненная ценность клиента также может быть определяется как денежнаяценность отношений с клиентами, основанная на текущей стоимости прогнозируемых будущих денежных потоков от отношений с клиентами.[1] Пожизненная ценность клиента — важная концепция, поскольку она побуждает фирмы смещать свое внимание с ежеквартальной прибыли на долгосрочные отношения с клиентами. Ценность жизненного цикла клиента — важный показатель, поскольку он представляет собой верхний предел расходов на привлечение новых клиентов.[ 2] По этой причине это важный элемент при расчете окупаемости рекламы, потраченной на моделирование комплекса маркетинга. Одно из первых определений термина пожизненная ценность клиента находится в Книга Маркетинг баз данных 1988 года, включающая подробные рабочие примеры. [3] Среди первых, кто внедрил модели ценности жизненного цикла клиентов в 1990-х годах, были Edge Consulting и BrandScience.

Назначение CLTV;

Целью метрики пожизненной ценности клиента является оценка финансовой ценности каждого клиента. Цитируются слова Дона Пепперса и Марты Роджерс:

«некоторые клиенты более равны, чем другие».[4]

Пожизненная ценность клиента отличается от прибыльности клиента или CP(разницы между доходами и затратами, связанными с клиентом). отношения в течение определенного периода) в том, что CP измеряет прошлое, а CLVзаглядывает в будущее. Таким образом, CLV может быть более полезным при формировании решений менеджеров, но его гораздо сложнее измерить количественно. В то время как количественная оценка CP заключается в тщательном составлении отчетов и обобщении результатов прошлой деятельности, количественная оценка CLVпредполагает прогнозирование будущего. активность.

Где мы используем CLTV?

Одним из основных применений CLV является сегментация клиентов, которая начинается с понимания того, что не все клиенты одинаково важны. Модель сегментации на основе CLV позволяет компании прогнозировать наиболее прибыльную группу клиентов, понимать общие характеристики этих клиентов и уделять больше внимания им, а не менее прибыльным клиентам. Сегментация на основе CLV может сочетаться с моделью доли кошелька (SOW) для выявления «высокого CLV, но низкого SOW» клиенты, предполагая, что прибыль компании может быть максимизирована путем инвестирования маркетинговых ресурсов в этих клиентов.

Показатели Пожизненная ценность клиента используются в основном в компаниях, ориентированных на взаимоотношения, особенно в тех, у которых есть контракты с клиентами. Примеры включают банковские и страховые услуги, телекоммуникации и большую часть сектора деловых отношений. Однако принципы CLV могут быть распространены на категории, ориентированные на транзакции, такие как потребительские товары, путем включения стохастических моделей покупки индивидуального или совокупного поведения.[5] В любом случае удержание оказывает решающее влияние на CLV, поскольку низкие показатели удержания почти не приводят к пожизненной ценности клиента. увеличивается со временем.

Факторы, влияющие на показатель «Пожизненная ценность клиента»;

1. Средняя продолжительность жизни клиента.Хотя это очень сложный расчет для стартапов, для хорошо зарекомендовавших себя компаний с налаженными бизнес-процессами и стабильными клиентами это значение, которое рассчитывается путем деления среднего года активности клиентов на общее количество клиентов в этом году, очень важно для нашей модели.
2. Средняя частота покупок:как часто клиент совершает покупку? Если компания предлагает товары, которые часто покупают (например, кафе), частотаскорее всего, выше, чем онлайн-сервис на основе ежемесячной подписки. Количество посещений/покупок – это частота.
3. Средняя стоимость покупки.Чтобы понять, сколько клиент тратит с течением времени, важно выяснить, сколько в среднем он тратит на обычную покупку. Чтобы найти это значение, его находят путем деления расходов клиента за определенный период на количество продаж, совершенных за это время.
4. Средняя ценность клиента.Это значение определяет, сколько в среднем тратит активный клиент. Если компания видит клиентов каждый день или каждую неделю, они могут использовать период времени, когда клиент пришел, и каждый раз умножать его на Среднюю стоимость покупки.
5. Churn Rate: показатель потери клиентов.
6. Маржа прибыли:это уровень дохода, который ожидает компания. Это фиксированное значение. Определяется бизнес-правилом

Как рассчитать пожизненную ценность клиента?

Мы объяснили, что означают факторы, теперь перейдем к формулам;

📌CLTV = (Средняя продолжительность жизни клиента/Коэффициент оттока) * Маржа прибыли
📌Ценность клиента = Средняя стоимость покупки* Средняя частота покупок
 – Средняя стоимость покупки = Общая стоимость продукта (кофе и т. д.) / Общая сумма транзакций (количество покупок уникального клиента)
 – Частота покупок = Общая сумма транзакций / Общее количество клиентов
📌 Коэффициент оттока = 1 — Коэффициент повторения
📌 Маржа прибыли = Общая цена * 0.10
формулы могут варьироваться в соответствии с бизнес-правилами, но в изменениях должна быть разница между 5 покупками и 20 покупками

Когда мы подставляем значения в формулы, мы получаем числовой результат, это жизнь Заказчика. Как правило, мы используем это значение в компаниях, масштабируя его от 0 до 1.
Теперь у нас есть результаты, но каковы эти цифры?
вы Может сегментировать, как RFM и прогнозировать будущие KPI дохода и частоты. Нам нужно использовать статистическое моделирование прямо сейчас!
Вероятностная модель:
Этот класс моделей пытается подобрать распределение вероятностей к данным, а затем используйте эту информацию для оценки других параметров уравнения CLV (таких как количество будущих транзакций, будущая денежная стоимость и т. д.).
Существуют различные вероятностные модели, которые можно использовать для прогнозирования будущего CLV. Здесь важно отметить, что не все переменные в уравнении CLV можно предсказать с помощью одной модели. Обычно переменные транзакции (частота покупок и отток) и денежные переменные (средняя стоимость заказа) моделируются отдельно. Ниже приведен список вероятностных моделей, доступных для того же самого.

BG/NBD (бета-геометрическое/отрицательное биномиальное распределение):

Бета-геометрическое/отрицательное биномиальное распределение, известное как модель BG-NBD. Также иногда он появляется как Купи, пока не умрешь. Это дает нам условное ожидаемое количество транзакций в следующем периоде. Эта модель может ответить на следующие вопросы[4]

• Сколько сделок будет на следующей неделе?
• Сколько сделок будет в ближайшие 3 месяца?
• Какие клиенты сделают больше всего покупок в ближайшие 2 недели?

Эта модель моделирует 2 процесса, используя вероятность для прогнозирования ожидаемого количества транзакций.

• Процесс сделки (купить)
• Процесс отсева (Till You Die)

Процесс транзакции (покупка)

• Мы используем это для обозначения процесса покупки
• Пока клиент жив, количество сделанных клиентом будет распределено по параметру скорости транзакций.
• Пока клиент жив, он будет покупать по собственной скорости транзакции.
• Курсы транзакций будут меняться для каждого клиента и будут распределяться по гамме (r,α)[4]

Процесс исключения (Till You Die)

• отказ от покупки
• У каждого клиента свой показатель отсева по вероятности p
• отсев клиентов по вероятности p
• Показатели отсева будут меняться для каждого клиента, и они будут распространяться в бета-версии (a,b) для массового пользователя.

Формула БГ-НБД

Ниже мы видим формулу модели BG-NBD.

Пояснение параметров

• E относится к ожидаемому значению
• | означает, что эта вероятность является условной (условное ожидаемое количество транзакций)
• x относится к частоте каждого клиента, который совершил покупку не менее двух раз.
• tx относится к давности для каждого клиента. I Время от даты последней покупки до даты первой покупки (недели). (Примечание! В некоторых бизнес-правилах это называется сроком пребывания)
• T означает время от сегодняшней даты до даты последней покупки.
• r,α получается из гамма-распределения (процесс покупки). Коэффициент транзакций массы.
• a,b происходит из бета-версии (пока не умрете). Коэффициент отсева для массы.
• Y(t) означает ожидаемое количество транзакций для каждого клиента.

❗Примечание: в этих формулах есть некоторые значения времени. Просто обратите внимание, что эти значения должны быть основаны на неделе. Таким образом, вы должны манипулировать данными

Гамма-гамма подмодель

Мы используем эту модель для прогнозирования средней прибыли, которую мы можем получить от каждого клиента.

• денежнаястоимость клиента (сумма сумм транзакций клиента) будет случайным образом распределена вокруг среднего значения его транзакций.
• Средняя стоимость транзакцииможет меняться в периоды между клиентами, но не меняется для клиента.
• Средняя стоимость транзакциибудет распределена по гамме между всеми клиентами.

Формулу подмодели Гамма-Гамма мы видим ниже.

• E относится к ожидаемому значению
• x относится к частоте для каждого клиента
• mx относится к денежной сумме для каждого клиента
• M относится к ожидаемой стоимости транзакций (ожидаемой средней прибыли).
• p,q,γ исходит из гамма-распределения

Модель Паретто/NBD

Впервые предложено Schmittlein et. др. (1987), Pareto/NBD оказался очень успешным инструментом для анализа клиентской базы. Pareto/NBD предназначен для моделирования того, живы ли клиенты и, если живы, как часто они покупают. Покупатели покупают в соответствии с процессом Пуассона еще при жизни. Время жизни клиентов распределяется по экспоненциальному закону. Покупательная способность и склонность к выживанию различаются среди населения в соответствии с отдельными гамма-распределениями (Schmittlein et. al., 1987). С 1987 года другие исследователи расширили парето/NBD. Модель Парето/NBD и другие подобные модели можно использовать для решения ряда управленческих задач, включая оценку количества активныхклиентов, ранжирование клиентов на основе вероятности того, что они живы, и прогнозирования будущих уровней транзакций. Было показано, что эта модель хорошо работает в различных условиях (Schmittlein and Peterson, 1994). Фейдер, Харди и Ли подтвердили перспективные прогнозы модели для музыкального интернет-магазина (2005a). Абэ применил эту модель в различных условиях закупок, от электронной коммерции до универмагов и крупных сетей (2009 г.). Помимо эмпирической проверки, модель применялась и в ряде других областей. Хопманн и Теде использовали его для исследования прогнозов оттока в условиях, не связанных с договорами (2005 г.). Вюббен и Вангенхайм показали, что модель работает так же или даже лучше, чем обычная управленческая эвристика (2008). Glady, Baesens и Croux расширяют модель, чтобы предоставить оценки пожизненной ценности клиента в нескольких условиях (2009). В этих разнообразных условиях парето/NBD сформировал основу широкомасштабного и успешного анализа клиентской базы.[3]

В этом разделе мы кратко обсудим математическую интуицию, лежащую в основе стандартной модели Парето/NBD (RF) и предлагаемой модели Reency-Only (RO). Как уже говорилось, стандарт Pareto/NBD описывает два независимых процесса (Schmittlein et. al. 1987). Во-первых, время жизни клиента τ моделируется как экспоненциальный процесс с смертью коэффициентом[5]

µ:

Учитывая, что клиент жив до времени τ, частота покупок моделируется с помощью распределения Пуассона с частотой покупок

λ:

Чтобы зафиксировать неоднородность населения, предполагается, что µ распределяется в соответствии с гамма-распределением с параметром формы s и параметром масштаба β. Точно так же неоднородность по λ распределяется в соответствии с гамма-распределением с параметром формы r и параметром масштаба α.
Парето/NBD имеет общую функцию правдоподобия

где x — количество наблюдаемых покупок в интервале (0, T], а tx — время самой последней покупки (Fader and Hardie 2010). парето/NBDтребуется знание x и tx (и T).[5]

3. Анализ оттока

Показатель оттока применительно к клиентской базе относится к доле договорных клиентов или подписчиков, которые покидают поставщика в течение определенного периода времени. Это возможный индикатор неудовлетворенности клиентов, более дешевых и/или лучших предложений от конкурентов, более успешных продаж и/или маркетинга у конкурентов или причин, связанных с жизненным циклом клиента.

Отток клиентской базы

Отток тесно связан с понятием средней продолжительности жизни клиента. Например, годовой коэффициент оттока в 25% означает, что средний срок службы клиента составляет четыре года. Годовой коэффициент оттока в 33 процента означает, что средний срок службы клиента составляет три года. Скорость оттока можно свести к минимуму, создав барьеры, которые не побуждают клиентов менять поставщиков (сроки действия договоров, использование запатентованных технологий, услуги с добавленной стоимостью, уникальные бизнес-модели и т. д.), или с помощью мероприятий по удержанию, таких как программы лояльности. Можно завысить показатель оттока, например, когда потребитель отказывается от услуги, но затем перезапускает ее в течение того же года. Таким образом, необходимо проводить четкое различие между общим оттоком, общим числом абсолютных отключений, и чистым оттоком, то есть общей потерей подписчиков или участников. Разница между этими двумя показателями заключается в количестве новых подписчиков или участников, присоединившихся за тот же период. Поставщики могут обнаружить, что если они предлагают лидер убытков специальное предложение, это может привести к более высокому коэффициенту оттока и злоупотреблению подписчиками, поскольку некоторые подписчики подпишутся, перестанут предоставлять услугу, а затем подпишитесь снова, чтобы постоянно пользоваться текущими специальными предложениями.

Говоря о подписчиках или клиентах, иногда используется выражение коэффициент выживаемости (❗ПРИМЕЧАНИЕ: то же, что и коэффициент повторения), означающий 1 минус коэффициент оттока. Например, для группы подписчиков годовой коэффициент оттока в 25 % соответствует годовому коэффициенту выживаемости в 75 %. Оба подразумевают срок жизни клиента четыре года. То есть время жизни клиента может быть рассчитано как обратное значение прогнозируемой скорости оттока этого клиента. Для группы или сегмента клиентов их клиентская жизнь (или срок пребывания) обратно пропорциональна их совокупному коэффициенту оттока. Таким образом, распределение Гомперцамодели распределения продолжительности жизни клиентов могут также прогнозировать распределение показателей оттока.

Для компаний с быстрорастущей клиентской базой (например, компаний цифровых медиа в матрице BCG дочерней или звездной стадии) может возникнуть путаница между статистическими анализами, связанными с тем, что процент оттока всей клиентской базы за данный год — какой процент от абонентской базы за весь 2010 г. ушёл? — по сравнению с коэффициентом оттока конкретной когорты клиентов. Например: Возьмем тех клиентов, которые оформили подписку в данном месяце, скажем, в январе 2010 года. Сколько их было выпущено к январю 2011 года? Изучение оттока для быстрорастущей агрегированной клиентской базы занижает истинный уровень оттока по сравнению с когортным подходом к расчету. Когортный подход также позволит вам рассчитать выживаемость и среднюю продолжительность жизни клиента, тогда как агрегированный подход не может рассчитать эти два показателя.

Исследователи из Deloitte утверждают, что анализ социальных сетей — хороший инструмент для расчета оттока[2].

В последние годы использованиеИИ и машинного обучения в качестве средств расчета оттока клиентов становится все более распространенным для крупных розничных продавцов и поставщиков услуг.[3]

Фраза "ротационный отток" используется для описания феномена, когда клиент уходит и сразу же возвращается. Это распространено в услугах мобильной связи с предоплатой, когда существующие клиенты могут оформить новую подписку у своего текущего поставщика, чтобы воспользоваться специальными предложениями, доступными только для новых клиентов.

В большинстве случаев отток рассматривается как показатель того, что клиенты недовольны сервисом. Однако в некоторых отраслях, услуги которых оправдывают ожидания, отток считается положительным сигналом, например, в сфере здравоохранения, услуг по снижению веса и платформах онлайн-знакомств. [4]

Некоторые исследователи оспаривают простое предположение о том, что простое неудовлетворение может привести к оттоку клиентов, и призывают к более тонкому подходу. [5]

Почему важна аналитика оттока?

• Предотвратить потерю дохода
• Снижение затрат на привлечение клиентов
• Сокращение затрат на маркетинг и продажи
• Улучшить качество обслуживания клиентов
• Увеличение возможностей для дополнительных и перекрестных продаж

Начнем! Спасибо, что прочитали мой 📧, если вы видите что-то не так, вы должны объяснить в директ!

В этом 📧 я объяснил машинное обучение и статистическое моделирование в CRM, используя только теорию, увидимся в моем следующем 📧. Если вы хотите проверить мою CRM (турецкий) 📧, для вас есть ссылка: 🔎

4. Ссылки:

1- https://en.wikipedia.org/wiki/Churn_rate
2 https://en.wikipedia.org/wiki/Marketing_Accountability_Standards_Board
3-https://repository. upenn.edu/cgi/viewcontent.cgi?article=1059&context=joseph_wharton_scholars#:~:text=%20Pareto/NBD%20цели%20в соответствии с%20to%20an%20exponential%20distributio.
4-«https ://medium.com/analytics-vidhya/customer-life-time-value-prediction-by-using-bg-nbd-gamma-gamma-models-and-applied-example-in-997a5ee481ad
5 -.https://mixpanel.com/blog/churn-analytics/#:~:text=Churn%20analytics%20является%20процессом%20,больше%20маржи%2C%20и%20выше%20прибыль.